Inference on Linear Regressions with Two-Way Unobserved Heterogeneity
具有双向未观测异质性的线性回归推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确讨论线性面板回归、双向固定效应与共同参数推断，直接属于面板数据方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
具有双向未观测异质性的线性回归推断
- 研究问题
- 在线性面板回归中，当双向未观测异质性采用非参数设定时，如何估计共同参数并避免固定效应带来的附带参数偏差？
- 方法与思路
- 作者构造对非参数回归函数 Neyman 正交的矩条件，并调整其估计以处理固定效应误差，另提出具体两步估计器。
- 材料陈述的贡献
- 摘要称共同参数估计在所述条件下具有根号 NT 渐近正态性，具体两步方法满足一般理论要求，数值研究表现良好。
- 阅读关注点
- 应核对双向异质性的函数形式、正交性覆盖的误差来源、偏差调整机制，以及 N、T 的渐近关系和首步估计要求。
- 阅读边界
- 这是 arXiv 预印本，不能确认已评审或接收；摘要未列明所谓弱条件、面板依赖限制或有限样本结果，须查全文。
原文摘要
We develop a general estimation and inference procedure for the common parameters in linear panel data regression models with nonparametric two-way specification of unobserved heterogeneity. The procedure takes as input any first-step estimators of the nonparametric regression function and the fixed effects and relies on two key ingredients: First, we develop moment conditions for the common parameters that are Neyman orthogonal with respect to the nonparametric regression function. Second, we employ a novel adjustment of the nonparametric regression estimator so the estimated fixed effects do not generate incidental parameter biases. Together, these ensure that the resulting estimator of the common parameters is root-NT -- asymptotically normally distributed under weak conditions on the estimators of fixed effects and regression function. Next, we propose a novel two-step estimator of the nonparametric regression function and the fixed effects and verify that this particular estimator satisfies the conditions of our general theory. A numerical study shows that the proposed estimators perform well in finite samples.